基于逐阶共识计算的虚假物理身份属性检测方法

Fake Physical Identity Attributes Detection Method Based on Order-of-Consensus-Calculation

摘要

通过使用面具、变更指纹等技术，个人可以轻松冒充他人，这给物理身份识别带来巨大挑战。针对身份识别过程中属性伪造的问题，提出了一种基于逐阶共识计算的虚假物理身份属性检测方法。该方法首先进行身份识别；然后利用错误识别结果近邻关系的差异，逐阶分析得到共识身份；最后分析共识身份在识别结果中的排序，以检测虚假属性。在人脸、指纹和声纹数据库上的实验结果表明，与多数表决方法相比，本文方法能有效检测出虚假物理身份属性,并具有更高的准确率。

Abstract

Individuals could easily impersonate others by wearing masks or using altered fingerprints or other technologies, which brings enormous challenges to physical identity recognition. Aiming at the existence of fake attributes during identification, a method based on order-of-consensus-calculation is presented for fake physical identity attributes detection. It first executes identity recognition, then uses the differences of proximity relationship of misidentification result to obtain consensus identity with analysis in order, finally detects fake attributes by analyzing the rank of consensus identity in the recognition result. Experimental results on the face, fingerprint and voiceprint databases demonstrate that compared with the majority decision method, the proposed method can detect fake physical identity attributes effectively and has a higher accuracy.

Graphical abstract

关键词

可信计算 / 虚假检测 / 共识计算 / 近邻关系 / 身份识别

Key words

trusted computing / forgery detection / consensus-calculation / proximity relationship / identity recognition

0　 引 言

当前，尽管生物识别系统已经被广泛应用在现实生活中，但此类系统容易受到各种复杂的攻击，严重影响识别结果的可靠性^[1]。攻击类型主要为属性的恶意伪造，个体可以通过伪造虚假属性轻松达到冒充他人的目的，并且不需要先进的技术支持，例如使用面具^[2]、变更指纹^[3]等。2009年12月，一位妇女就利用手术交换自己的左右手指纹并成功通过日本移民处自动指纹识别系统（automatic fingerprint identification system，AFIS）^[4]。据报道，英国每年由于伪造虚假身份造成的财政损失约13亿英镑^[5]。如此恶意地利用虚假属性隐藏自己的真实身份，给身份识别工作的准确性带来巨大威胁。因此，在身份识别过程中引入虚假属性检测，将有效提高身份计算的准确率，进一步提升系统的安全性。

通过分析国内外网络可信身份认证技术的发展现状及总体趋势^[6,7,8]可知，身份计算对安全性的要求日益提高，可信身份体系作为其安全性基础，也因此受到更多学者的关注。在整体趋势上，基于可信计算的身份认证技术主要包含以下性能要求：1） 精确性，由于识别算法自身能力缺陷导致计算结果模糊时，通过可信算法能提供更加精确的结果，获得更高的准确率；2） 鲁棒性，当光线条件、姿态等客观因素发生变化时，可信算法受外界环境影响小，能提供较稳定的计算结果；3） 抗攻击性，可信算法能应对恶意伪造等攻击，并给出准确的计算结果。

在身份识别中，虚假属性严重干扰身份的可信计算，因此亟需解决该问题。鉴于单一属性恶意伪造难以发现，且随着伪造技术的提升，在属性层面防伪愈发困难，本文将问题迁移到多元空间下，充分探究由于识别算法能力缺陷和虚假属性所导致错误识别结果的近邻关系的差异，提出基于逐阶共识计算的虚假物理身份属性检测方法，利用多模态解决单一属性伪造难以防范的问题。通过在两个数据集上对本文方法和多数表决方法进行实验，验证本文方法的准确性和有效性。

1　 相关工作

物理身份属性（如人脸、指纹等）展示个体独有的特质，可以用来区分不同的身份。目前，生物识别系统的安全性日益受到关注，相关文献主要涉及对人脸演示攻击、变更指纹攻击等方面的研究。这些研究主要关注属性层面的虚假检测，通过分析真实和虚假属性在属性层面的本质差异，判断属性的真伪。

在人脸演示攻击方面，Agarwal等^[2]指出通过穿戴面具可导致人脸识别准确率急剧下降，个体可以使用面具攻击识别系统，隐藏自己的真实身份，作者通过分析真实和虚假人脸在不同光谱下的差异，提出在热成像光谱下检测虚假人脸准确率更高；Manjani等^[9]指出演员可以在面具的帮助下轻松描摹他人的身份，提出一种基于多级深度字典学习的方法,以区分真实和虚假人脸。

在变更指纹攻击方面，Jain等^[10]指出攻击者可以通过特定技术手段去改变指纹的细节，以便逃避AFIS和执法部门的检查。Feng等^[3]指出利用传统的指纹图像质量评估软件不能很好地解决变更指纹攻击，因此提出使用指纹方向场特征的差异区分算法,该算法能够检测出约92%的变更指纹。Yoon等^[11]在此基础上优化改进，提出融合指纹方向场和细节分布特征，利用支持向量机（support vector machine，SVM）进行分类检测，并在执法机构提供的数据集上进行评估。

以上方法主要是针对单一属性恶意伪造的检测，即单模态检测，该类方法具有一定的检测准确率，但是随着伪造技术的提升，检测方法也要实时更新以便处理不同的伪造类型，且需要进一步提高检测准确率。2004年，Namboodiri等^[12]提出使用多模态方法检测伪造签名，将人脸作为补充信息和签名随机逐一配对并指定为某一身份对象，结合人脸和签名的匹配分数进行加权融合，以判断伪造签名。实验表明，当签名真伪性难以判别时，人脸模态能给予充足的信息，检测效果明显优于仅使用单模态检测的结果。但是该方法的真实属性接受率仅为75%，且随着传感器获取伪造指纹质量的提高，检测效果会进一步下降。

在多模态身份识别中，虚假属性时有出现，如面具人脸、变更指纹等（如图1），但目前的研究方法却鲜少涉及对此方面的检测。现有方法更多关注在属性层面检测虚假属性，目的在于防止属性发生伪造，而本文主要关注在身份识别过程中，部分属性已经发生伪造，如何检测其中存在的虚假属性。目前可以采用多数表决方法^[13]融合多个模态的识别结果，获得未知对象的真实身份，然后利用真实身份判断属性的真伪性，但由于识别算法的缺陷会导致识别结果错误，致使采用多数表决方法无法准确获得真实身份，也无法检测虚假属性。为解决该问题，本文在结果层面分析真实和虚假属性所形成的分布差异，提出方法解决身份识别中虚假属性问题，提高身份计算的准确率和系统的抗攻击能力。

2　 本文方法

本文针对身份识别过程中属性恶意伪造问题，分析不同原因所导致错误识别结果的近邻关系，提出基于逐阶共识计算的方法检测虚假物理身份属性，并以身份识别的准确率评估检测方法的有效性。本文方法流程如图2所示，首先进行身份识别，识别结果取前K个最相似的身份；然后基于逐阶共识计算，分析计算共识身份；最后利用共识身份在识别结果中的排序检测出虚假属性。接下来先对文中用到的符号进行规范表达，然后详细介绍本文方法。

在多模态身份识别系统中，通过事先采集对应身份的属性信息建立身份库，假设身份库中包含S个身份（如对象1、对象2等），表示为O₁, O₂,…, O_S，每个身份有N种属性(如人脸、指纹、声纹等)，记为a, b,…, n。在虚假对抗下，获取未知身份的N种属性进行身份识别，其中可能包含虚假属性，由于大规模伪造极其困难，因此首先假设虚假属性的数量M满足条件。当所选属性识别算法足够准确时，可以利用多数表决方法^[13]进行虚假检测和可信计算，但实验（详见3.2.4节）表明多数表决方法精确率较低。为获取更加准确的身份信息，本文提出利用逐阶共识计算先进行虚假物理身份属性检测，然后再进行身份计算，可有效提高身份识别的准确率。

2.1　身份识别

身份识别用于获取各属性对应的识别结果。对获取的N个属性，识别结果取前K（K<S）个最相近的身份，记为R_i =\left\{O_{\mathrm{3}},O_{\mathrm{2}},\dots ,O_K\right\}，属性i=a, b,…,n，结果中身份是有先后顺序的，例如R_a =\left\{O_{\mathrm{3}},O_{\mathrm{2}},O_{\mathrm{4}},O_{\mathrm{10}}\right\}，即属性a的结果首选身份为O₃，次选身份为O₂。在实验中，采用人脸、指纹和声纹属性来进行测试，a, b, c和R_a, R_b, R_c 分别表示3种属性及其对应的识别结果。

接下来简要介绍所使用的识别算法。

1） 对于人脸识别，采用开源dlib库实现。给定一张人脸图像，首先标注68个特征点^[14]，归一化并送入一个27层的卷积神经网络中，网络是ResNet-34^[15]的变形；然后将128维的输出作为特征向量用于训练阶段；最后根据输入人脸图像特征与已知人脸特征库间的距离大小排序获得识别结果，即距离越小，排序越靠前。事先根据获取的身份库建立人脸特征库，距离大小通过计算两张人脸图像的128维特征向量的欧氏距离d(\mathit{a},\mathit{b})获得：

d(\mathit{a},\mathit{b})=\sqrt[]{(\mathit{a}-\mathit{b}){(\mathit{a}-\mathit{b})}^{\mathrm{T}}}(1)

其中， a 和 b 分别表示两张人脸图像的128维特征向量。

2） 对于指纹识别，首先通过身份库建立指纹特征库；然后利用SURF^[16]提取指纹特征并与指纹特征库匹配，匹配时使用快速近似最近邻搜索库（fast library for approximate nearest neighbors，FLANN）；最后通过与特征库中匹配分数的排序获得识别结果，即匹配分数越大，排序越靠前^[17]。

3） 对于声纹识别，首先将MFCC^[18]和LPC^[18]线性组合起来用于特征提取；然后根据身份库建立声纹特征库，利用DTW^[19]计算测试声纹和声纹特征库之间的欧氏距离；最后根据距离排序获得识别结果。距离主要通过计算声纹 X 和 Y 距离最短的规整路径D(| X |,| Y |)获得。

首先，计算D(i,j)：

\begin{array}{l}D(i,j)=\mathrm{D}\mathrm{i}\mathrm{s}\mathrm{t}(i,j)+\mathrm{m}\mathrm{i}\mathrm{n}[D(i-\mathrm{1},j),\\ D(i,j-\mathrm{1}),D(i-\mathrm{1},j-\mathrm{1})]\end{array}(2)

其中，Dist(i, j)为欧氏距离，i表示 X 中元素对应的坐标，范围为[1, | X |]，j表示 Y 中元素对应的坐标，范围为[1, | Y |]，| X |和| Y |分别为 X 和 Y 的长度。

然后，下标i和j不断增加，依次迭代更新D(i,j)的值，直到最后i=| X |，j=| Y |时，即得到所求距离D(| X |,| Y |)。

2.2　逐阶共识计算

逐阶共识计算用于获得共识身份，利用各属性的识别结果序列，而不再仅仅依靠首选身份，充分考虑由于识别算法能力缺陷和虚假属性所导致错误识别结果的差异，逐阶分析得出共识身份。对于真实属性，由于识别算法能力缺陷，R_i 中的首选身份可能不是该属性的真实身份，根据近邻关系，其真实身份一般会出现在R_i 中，且排序比较靠前；对于虚假属性，其真实身份在R_i 中的排序会相对靠后。例如，对象O₁的属性a经过身份识别之后，结果为R_a =\left\{O_{\mathrm{2}},O_{\mathrm{1}},O_{\mathrm{5}},O_{\mathrm{11}}\right\}，其首选身份为O₂，而真实身份为O₁。由于身份O₂和O₁在属性a层面上比较相似，才导致出现错误的识别结果，但真实身份O₁出现在第二位上说明由于识别算法能力缺陷所导致的错误结果具有近邻性。而对于虚假属性，识别结果对象和原攻击者间差异相对较大，因此由于伪造所导致的错误识别结果没有近邻性。例如对象O₁试图利用面具伪造对象O₃，一般O₁和O₃在人脸维度差异较大。当首选身份即首要选择出现误差时，次要选择包含不可忽视的信息^[20]，基于此，提出逐阶共识计算，充分挖掘R_i 中的信息，获得未知对象的共识身份，具体描述如算法1所示。其中“逐阶”表示计算过程要按阶数逐步进行，即先计算一阶结果，后计算二阶结果，直到满足终止条件；“共识”表示计算结果要满足一定条件，算法用共识值来表示每阶的计算结果，共识值的含义为在当前阶数条件下该身份出现的次数，当共识值满足指定条件时，认为达到了共识，计算停止。

算法中用d来记录身份及对应的共识值，初始时所有身份的共识值都为0，用identity来记录满足条件的共识身份及对应的共识值。算法逐阶更新每个身份的共识值，判断是否存在某个身份，其共识值大于N/2，即是否存在某个身份，其出现的次数大于属性种类的一半。当从步骤2转至步骤7时，算法没有计算得到共识身份，一般认为该情况在实验中基本不会发生，若出现，则使用随机数判断虚假属性，步骤6是为防止计算结果中出现多个共识身份。通过逐阶共识计算，假设得到的结果如identity=\left\{O_{\mathrm{2}}:\mathrm{3}\right\}，order=4，表示经过四阶共识计算，得到共识身份为O₂，其共识值为3。

2.3　虚假检测

虚假检测通过分析共识身份在识别结果序列中的排序，利用近邻关系检测虚假属性。由于识别算法能力缺陷和虚假属性所导致的错误识别结果的近邻关系存在差异，因此真实身份在R_i 中的排序呈现出明显差异。基于此差异，假设当共识身份没有出现在R_i 中前p个身份中，则将对应获得的R_i 的属性判定为虚假的，否则判定为真实的。

p=\mathrm{m}\mathrm{i}\mathrm{n}(\mathrm{o}\mathrm{r}\mathrm{d}\mathrm{e}\mathrm{r}+\delta ,K)(3)

其中，p随order发生动态变化且p\le K，δ 作为参数控制着共识身份identity在R_i 中的搜索范围，其值影响检测的效果。对于真实属性，当识别结果首选并非真实身份时，记录其真实身份在R_i 中出现的排序为随机变量I_n；对于虚假属性，若其真实身份出现在R_i 中，记录其在R_i 中的排序为随机变量I_f 。

(4)

I_{\mathrm{f}}>\mathrm{o}\mathrm{r}\mathrm{d}\mathrm{e}\mathrm{r}+\delta(5)

在一定数量的属性条件下，参数δ不同时，满足条件（4）和（5）的属性的个数不同，也就导致其占总属性的比例不同。为获得更好的检测效果，δ的取值应尽可能让满足条件(4)和(5)的属性比例同时达到最大，其值大小可以用随机变量I_n 和I_f 的数学期望估计，即可在(E(I_{\mathrm{n}}),E(I_{\mathrm{f}}))范围内取值，实验中δ通过数据集进行训练。

3　 实 验

首先简要介绍实验过程中所使用的数据集，然后设计实验验证由于识别算法能力缺陷和虚假属性所导致错误识别结果的近邻关系的差异，最后给出虚假物理身份属性检测实验相关结果，并进行分析。

3.1　数据集

实验分别在两个不同的数据集上进行。DB1：分别从3个公开数据集VGG^[21]，CASIA^[22]和speech commands^[23]中选择500个对象的人脸、指纹和声纹，然后将3个属性随机配对组合成一个特定的身份对象。DB2：分别采集500位志愿者的人脸、指纹和声纹，对于每位志愿者，每种属性采集5次。实验中，选取每种属性的3个样本用于建立身份特征库，剩余的2个样本用于本文的检测实验；从DB1和DB2中均各选200个对象用于训练参数，其余对象用于测试本文方法的性能,虚假属性通过使用他人对应属性随机替换，过程用随机数模拟。

3.2　结果及分析

3.2.1　近邻关系验证

首先设计实验验证由于识别算法能力缺陷和虚假属性所导致错误识别结果的近邻关系的差异，利用人脸属性进行测试，分别计算两组对象间的距离，计算公式见(1)式，并将结果归一化到区间[0,1]。

为测试由于识别算法能力缺陷所导致错误识别结果的近邻关系，选择100张由于识别算法能力缺陷出现错误识别结果的人脸图像作为测试对象（利用本文人脸识别算法对这100张真实人脸进行身份识别时均出现了错误结果，即识别结果的首选身份不是真实身份），计算测试对象和识别结果首选对象（图3和图4中均简写为结果对象）间的距离，以及测试对象和其真实身份对象（图3和图4中均简写为真实对象）间的距离，结果如图3所示。

为测试由于虚假属性所导致错误识别结果的近邻关系，选择100张经过随机替换的虚假人脸作为测试对象，计算测试对象和识别结果首选对象间的距离，以及测试对象和其真实身份对象间的距离，结果如图4所示。

在图3中，即使识别结果出现错误，测试对象和其真实身份对象间的距离仅比测试对象和识别结果首选对象间的距离平均大9%左右。在图4中，测试对象和其真实身份对象间的距离明显大于测试对象和识别结果首选对象间的距离。图3和图4的结果表明，由于识别算法能力缺陷所导致的错误识别结果具有近邻性，而由于虚假属性所导致的错误识别结果没有近邻性，因此真实身份在R_i 中的排序也出现明显差异。

3.2.2　性能评价指标

本文方法的目的在于检测身份识别过程中存在的虚假属性，参考文献[24]，用精确率P、召回率R和 F₁值评价本文方法的检测效果。P表示被正确检测出的虚假属性数量占所有被检测出的虚假属性数量的比例，反映被检测出的虚假属性是否准确；R表示被正确检测出的虚假属性数量占样本中所有虚假属性数量的比例，反映被检测出的虚假属性是否全面；F₁值表示精确率和召回率的调和平均，综合评价两者之间的大小关系，因此3个指标能从不同角度说明算法的检测性能。3个指标的具体定义如下：

P=\frac{\mathrm{正}\mathrm{确}\mathrm{检}\mathrm{测}\mathrm{出}\mathrm{的}\mathrm{虚}\mathrm{假}\mathrm{属}\mathrm{性}\mathrm{个}\mathrm{数}}{\mathrm{检}\mathrm{测}\mathrm{出}\mathrm{的}\mathrm{虚}\mathrm{假}\mathrm{属}\mathrm{性}\mathrm{个}\mathrm{数}}\times \mathrm{100}\mathrm{\%}(6)

R=\frac{\mathrm{正}\mathrm{确}\mathrm{检}\mathrm{测}\mathrm{出}\mathrm{的}\mathrm{虚}\mathrm{假}\mathrm{属}\mathrm{性}\mathrm{个}\mathrm{数}}{\mathrm{样}\mathrm{本}\mathrm{中}\mathrm{的}\mathrm{虚}\mathrm{假}\mathrm{属}\mathrm{性}\mathrm{个}\mathrm{数}}\times \mathrm{100}\mathrm{\%}(7)

F_{\mathrm{1}}=\frac{\mathrm{2}\times P\times R}{P+R}(8)

3.2.3　参数训练

实验过程中，参数δ的取值影响本文方法的精确率和召回率，为了获得参数δ的最优值，分别利用2个数据集中的200个身份对象进行参数训练，计算本文方法检测的精确率和召回率。图5给出了在DB2数据集上本文方法的精确率和召回率随参数δ 的变化曲线。当δ 过小时，部分真实属性会被检测为虚假属性；当δ 过大时，部分虚假属性会被认为是真实属性，因此参数设置过大或过小都会影响检测的效果。从图5中可以看出，当δ 的取值为两条曲线交点处的值时，精确率和召回率的值同时达到最大，算法的检测效果达到最佳。在DB1数据集上的检测结果与DB2上的结果类似，因此在下文性能测试实验中， δ的取值为8。

3.2.4　性能测试

实验在DB1和DB2数据集上进行，首先逐个识别未知对象的属性，获得R_i，然后利用逐阶共识计算得到共识身份，最后结合 (3)式进行虚假检测。

实验中设置不同虚假属性比例：

Q=\frac{\mathrm{含}\mathrm{虚}\mathrm{假}\mathrm{属}\mathrm{性}\mathrm{的}\mathrm{对}\mathrm{象}\mathrm{数}\mathrm{量}}{\mathrm{未}\mathrm{知}\mathrm{对}\mathrm{象}\mathrm{总}\mathrm{数}\mathrm{量}}

不断调整Q的大小，分别设置其值为0、1/3、2/3、1这4种不同情况，每种比例情况设置25组实验，结果通过100组实验获得。考虑到现有研究主要关注从属性层面检测虚假属性，不能用于身份识别过程中的虚假属性检测，因此本文方法无法与属性层面检测方法直接进行对比，故仅将实验结果和多数表决方法^[13]进行对比。表1列出了2种方法的精确率、召回率和F₁值，设置K=20，δ=8。由于实验中共采用3种属性进行测试且要满足前提条件，即，故仅设置一个虚假属性，虚假属性通过随机替换3种属性中的任意一种获得。例如可以利用其他对象的人脸替换测试对象人脸，伪造测试对象的人脸属性。

通过表1可以看出，在DB1和DB2数据集上，本文方法均能够获得较高的精确率、召回率和F₁值。例如在DB2数据集上，本文方法的 F₁值为0.922，而多数表决方法的检测效果明显较差，只能检测出部分虚假属性，其 F₁值仅为0.733。

以下式为例简要说明得到检测结果的过程。获得的识别结果分别为

R_a=\{O_{\mathrm{1}},O_{\mathrm{4}},O_{\mathrm{12}},O_{\mathrm{23}},O_{\mathrm{52}},O_{\mathrm{18}},O_{\mathrm{71}},O_{\mathrm{114}},O_{\mathrm{31}},O_{\mathrm{84}}\}，

R_b=\{O_{\mathrm{17}},O_{\mathrm{33}},O_{\mathrm{4}},O_{\mathrm{25}},O_{\mathrm{128}},O_{\mathrm{65}},O_{\mathrm{74}},O_{\mathrm{9}},O_{\mathrm{92}},O_{\mathrm{5}}\}，

R_c=\{O_{\mathrm{35}},O_{\mathrm{78}},O_{\mathrm{139}},O_{\mathrm{2}},O_{\mathrm{8}},O_{\mathrm{57}},O_{\mathrm{46}},O_{\mathrm{62}},O_{\mathrm{102}},O_{\mathrm{15}}\}

为方便表示，结果中只列出了前10个最相近的身份。实验中利用多数表决方法检测时，发现虚假属性无法判断；利用本文方法检测时，计算进行到三阶，发现身份O₄出现两次，即共识值为2，满足终止条件，得到共识身份为O₄，检测出属性c为虚假属性，并计算出真实身份为O₄。

为了进一步验证本文方法的有效性，表2给出了当虚假属性仅包含人脸时，本文方法和多数表决方法的检测结果。在数据集DB2上，本文方法的 F₁值达到0.912，较多数表决方法提高约25.6%，数据集DB1上的结果与DB2相似，说明本文方法对单一属性伪造检测同样有效。

图6给出了多数表决方法和本文方法的ROC(receiver operating characteristics,受试者工作特征)曲线。ROC曲线可以直接反映检测方法性能的好坏，ROC曲线下方面积(area under the curve, AUC)越大，说明对应检测方法能更准确更全面地检测出虚假属性，性能更优。图6中真阳性率(true positive rate, TPR)刻画的是正确检测出来的虚假属性个数占所有虚假属性的比例；假阳性率（false positive rate， FPR）刻画的是错误检测出来的虚假属性个数占所有真实属性的比例。

TPR=TP/(TP+FN)

FPR=FP/(FP+TN)

其中，TP表示虚假属性被预测为虚假属性的个数，FN表示虚假属性被预测为真实属性的个数，FP表示真实属性被预测为虚假属性的个数，TN表示真实属性被预测为真实属性的个数。从图6可以看出，相较于多数表决方法，本文方法AUC值较大，检测效果明显优于多数表决方法。

最后对可信身份计算进行简单分析，在上述实验基础上，进一步计算身份识别的准确率,即正确识别真实身份的对象数量占未知对象总数的比例。当获取未知对象属性中包含虚假属性时，利用多数表决方法在决策层融合各属性的识别结果，身份计算的准确率仅为82.35%；当利用本文方法检测出虚假属性之后，再次利用逐阶共识计算获得真实身份，准确率提升到95.57%。对比实验结果说明，引入虚假物理身份属性检测可以提高身份识别的准确率，有效解决身份识别过程中属性虚假问题。

综合实验结果可以看出，本文方法效果明显优于多数表决方法，其主要原因在于：多数表决方法只关注属性识别结果的首选身份，当由于识别算法缺陷导致首选身份不是真实身份时，多数表决方法的检测效果较差；本文方法属性识别结果选取前K个最相似的身份（而不是仅仅依靠首选身份），通过分析各属性识别结果序列计算出最有可能的真实身份，并检测出虚假属性。实验在包含人脸、指纹和声纹的数据集上进行，设置不同的虚假属性及其比例，实验结果表明相比多数表决方法，本文方法能够更准确地检测出虚假属性。

4　 结 语

针对多元身份识别过程中属性易发生伪造的现象，本文提出了基于逐阶共识计算的虚假物理身份属性检测方法。该方法通过分析由于识别算法能力缺陷和虚假属性所导致错误识别结果的近邻关系差异，从本质上区分上述两种情况，检测出身份识别中出现的虚假属性，最后通过计算真实身份的准确率进一步去评估本文方法的有效性。实验结果表明，相比多数表决方法，本文方法能够有效检测出虚假属性，获得更高的准确率。在复杂对抗环境下，引入虚假物理身份属性检测能有效提高识别准确率，进而提升身份识别系统的安全性。下一步，一方面将不断增加物理身份属性的种类，在更大的数据集上验证本文方法的性能；另一方面将适当拓宽虚假属性的约束条件，研究其数量超过49%时的检测方法，进一步提高身份识别系统的抗攻击能力及其在复杂条件下的使用价值，保障身份的可信计算。

参考文献

[1] RAGHAVENDRA R, RAJA K B, BUSCH C. Presentation attack detection for face recognition using light field camera [J]. IEEE Transactions on Image Processing, 2015, 24(3):1060-1075. DOI: 10.1109/TIP.2015.2395951 .

[2] AGARWAL A, YADAV D, KOHLI N, et al. Face presentation attack with latex masks in multispectral videos [C]//Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). New York: IEEE Press, 2017: 81-89.

[3] FENG J J, JAIN A K, ROSS A. Detecting altered fingerprints [C]//Proceedings of the 2010 International Conference on Pattern Recognition (ICPR). New York: IEEE Press, 2010: 1622-1625.

[4] SELVARANI S, JEBAPRIYA S, MARY R S. Automatic identification and detection of altered fingerprints [C]//Proceedings of the 2014 International Conference on Intelligent Computing Applications (ICICA). New York: IEEE Press, 2014: 239-243.

[5] WANG G A, CHEN H, XU J J, et al. Automatically detecting criminal identity deception: An adaptive detection algorithm [J]. IEEE Transactions on Systems, Man, and Cybernetics-Part A: Systems and Humans, 2006, 36(5): 988-999. DOI: 10.1109/TSMCA.2006.871799 .

[6] 宋宪荣,张猛.国外网络可信身份认证技术发展现状、趋势及对我国的启示[J].网络空间安全, 2018, 9(2):6-11. DOI: 10.3969/j.issn.1674-9456.2018.02.002 .

[7] SONG X R, ZHANG M. Present situation and trend of the foreign network trusted identity authentication technology and its enlightenment to China [J]. Cyberspace Security, 2018, 9(2):6-11. DOI: 10.3969/j.issn.1674-9456.2018.02.002(Ch).

[8] 刘耀华.国际网络可信身份战略研究及对我国的启示[J].网络空间安全, 2018, 9(2):1-5. DOI: 10.3969/j.issn.1674-9456.2018.02.001 .

[9] LIU Y H. Research on trusted identity of international network and its enlightenment to China [J]. Cyberspace Security, 2018, 9(2): 1-5. DOI: 10.3969/j.issn.1674-9456.2018.02.001(Ch).

[10] 张博卿.我国网络可信身份服务发展现状、问题和对策研究[J].网络空间安全, 2018, 9(11): 1-5. DOI: 10.3969/j.issn.1674-9456.2018.11.001 .

[11] ZHANG B Q. Study on development status, problems and countermeasures of network trusted identity service in China [J]. Cyberspace Security, 2018, 9(11):1-5. DOI: 10.3969/j.issn.1674-9456.2018.11.001(Ch).

[12] MANJANI I, TARIYAL S, VATSA M, et al. Detecting silicone mask-based presentation attack via deep dictionary learning [J]. IEEE Transactions on Information Forensics and Security, 2017, 12(7): 1713-1723. DOI: 10.1109/TIFS.2017.2676720 .

[13] JAIN A K, YOON S. Automatic detection of altered fingerprints [J]. Computer, 2012, 45(1): 79-82. DOI: 10.1109/MC.2012.6 .

[14] YOON S, FENG J J, JAIN A K. Altered fingerprints: Analysis and detection [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2012, 34(3): 451-464. DOI: 10.1109/TPAMI.2011.161 .

[15] NAMBOODIRI A M, SAINI S, LU X G, et al. Skilled forgery detection in on-line signatures: A multimodal approach [C]//Proceedings of the 2004 International Conference on Biometric Authentication (ICBA). Heidelberg: Springer, 2004: 505-511.

[16] DOI: 10.1007/978-3-540-25948-0_69 .

[17] RAHMAN A F R, ALAM H, FAIRHURST M C. Multiple classifier combination for character recognition: Revisiting the majority voting system and its variations [C]//Proceedings of the 2002 International Workshop on Document Analysis Systems. Heidelberg: Springer, 2002: 167-178.DOI: 10.1007/3-540-45869-7_21 .

[18] KAZEMI V, SULLIVAN J. One millisecond face alignment with an ensemble of regression trees [C]//Proceedings of the 2014 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). New York: IEEE Press, 2014: 1867-1874.DOI:10.1109/CVPR.2014.241 .

[19] HE K M, ZHANG X Y, REN S Q, et al. Deep residual learning for image recognition [C]//Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). New York: IEEE Press, 2016: 770-778.

[20] BAY H, TUYTELAARS T, VANGOOL L, et al. Surf: Speeded up robust features [C]//Proceedings of the 2016 European Conference on Computer Vision (ECCV). Heidelberg: Springer, 2006: 404-417.

[21] MUJA M, LOWE D G. Scalable nearest neighbor algorithms for high dimensional data[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2014, 36(11): 2227-2240. DOI: 10.1109/TPAMI.2014.2321376 .

[22] CHAUHAN N, ISSHIKI T, LI D J . Speaker recognition using LPC, MFCC, ZCR features with ANN and SVM classifier for large input database[C]// Proceedings of the 2019 International Conference on Computer and Communication Systems (ICCCS). New York: IEEE Press, 2019: 130-133.DOI: 10.1109/CCOMS.2019.8821751 .

[23] MOHAN B J, BABU R. Speech recognition using MFCC and DTW [C]//Proceedings of the 2014 International Conference on Advances in Electrical Engineering (ICAEE). New York: IEEE Press, 2014: 1-4.

[24] DOI: 10.1109/ICAEE.2014.6838564 .

[25] HO T K, HULL J J, SRIHARI S N. Decision combination in multiple classifier systems [J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2002, 16(1):66-75. DOI: 10.1109/34.273716 .

[26] CAO Q, SHEN L, XIE W D, et al. Vggface 2: A dataset for recognising faces across pose and age [C]//Proceedings of the 2018 IEEE International Conference on Automatic Face & Gesture Recognition (FG). New York: IEEE Press, 2018: 67-74.

[27] TAN T N. CASIA-FingerprintV5 [EB/OL ]. [2010-08-07].

[28] WARDEN P. Speech Commands: A Dataset for Limited-Vocabulary Speech Recognition [EB/OL]. [2018-04-09].

[29] YANG B, SUN X M, GUO H L, et al. A copy-move forgery detection method based on CMFD-SIFT [J]. Multimedia Tools and Applications, 2018, 77(1): 837-855. DOI: 10.1007/s11042-016-4289-y .

基金资助

国家重点研发计划(2017YFB1002803)

国家自然科学基金(U1736206)

国家自然科学基金(61701194)